Monitoring Photosynthetic Pigments of Shade-Grown Tea from Hyperspectral Reflectance

摘要

The highest-quality green tea is cultivated using shading treatments in Japan; however, shading canlead to early mortalities of tea due to excessive environmental stress. The allocation of photosyntheticpigments - chlorophyll a and b, and carotenoids - could be a good indicator for evaluating productionor environmental stress in plants; thus, developing an in situ method to monitor photosyntheticpigments is useful for agricultural management. To assess the accuracy of the estimation of photosyntheticpigment contents with existing supervised learning models, 4 different approaches werecompared including random forests, kernel-based extreme learning machine (KELM), deep belief netsand support vector machine. Overall, KELM had the highest performance, with a root mean squareerror of 1.95 ± 0.36 μg cm~(-2), 1.08 ± 0.11 μg cm~(−2) and 0.68 ± 0.10 μg cm~(−2) for estimating chlorophyll a,b and carotenoid contents, respectively.%Au Japon, le thé vert de qualité supérieure est cultivé au moyen de traitement d’ombrage. Cependant,l’ombrage peutmener à la mortalité précoce due à un excès de stress environnemental. La répartitiondes pigments photosynthétiques – chlorophylle a et b, et caroténoïdes – pourrait servir d’indicateurpour évaluer la productivité ou le stress environnemental chez les plantes. Ainsi, la gestion agricolebénéficierait du développement d’une méthode in situ pour surveiller le niveau de pigmentsphotosynthétiques. Afin d’évaluer l’exactitude des estimations de contenu de pigments photosynthétiquesproduites par des modèles d’apprentissage supervisés, quatre différentes approches ontété comparées, dont les forêts d’arbres décisionnels, les machines d’apprentissage extrême basé surl’utilisation des noyaux, les réseaux de croyances profonds et les machines à vecteurs de support. Lesmachines d’apprentissage extrême basé sur l’utilisation des noyaux ont fourni le meilleur rendementglobal, avec une erreur quadratique moyenne de 1.95 ± 0.36 μg cm~(−2), 1.08 ± 0.11 μg cm~(−2) et 0.68 ±0.10 μg cm~(−2) pour les estimations de chlorophylle a, b et caroténoïdes, respectivement.